(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111587243.6 (22)申请日 2021.12.23 (71)申请人 中国农业大 学 地址 100193 北京市海淀区 圆明园西路2号 (72)发明人 孙龙清　孙希蓓　李道亮　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 代理人 张文宝 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06T 3/40(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种水质预测方法及装置 (57)摘要 本发明公开了属于水产养殖技术领域的水 质预测方法、 装置、 电子设备及存储介质。 该水质 预测方法包括步骤S1： 在养殖场景内由多个传感 器采集历史水温和溶解氧的监测数据并进行预 处理； 步骤S2： 对步骤S1预处理后的数据进行融 合， 得到水质时间序列； 步骤S3： 引入注意力机 制， 建立基于注意力机制的Bi ‑directional   GRU‑CNN模型； 步骤S4： 将步骤S2经过融合后的水 质时间序列重新组合成预测训练样 本， 输入至步 骤S3建立的模型中进行训练， 得到训练后的水质 预测模型； 步骤S5： 采集实时数据进行水质预测。 本发明实现了水质溶解氧和水温的自动采集和 预测， 提高了预测的准确度和 效率， 节省大量人 力物力成本 。 权利要求书3页 说明书7页 附图1页 CN 114169638 A 2022.03.11 CN 114169638 A 1.一种水质预测方法， 其特 征在于， 包括以下步骤： 步骤S1： 在养殖场景内由多个传感器采集历史水温和溶解氧的监测数据并进行预处 理； 步骤S2： 对步骤S1预处 理后的数据进行融合， 得到水质时间序列； 步骤S3： 引入注意力机制， 建立基于注意力机制的Bi ‑directional GRU‑CNN模型； 步骤S4： 将步骤S2经过融合后的水质时间序列重新组合成预测训练样本， 输入至步骤 S3建立的基于注意力机制的Bi ‑directional  GRU‑CNN模型中进行训练， 得到训练后的水质 预测模型； 步骤S5： 采集实时数据进行 水质预测。 2.根据权利要求1所述的水质预测方法， 其特征在于， 所述步骤S1具体包括以下子步 骤： 步骤S11： 识别并删除历史水温和溶解氧的监测数据中表示监测异常的极大异常值和 非数值类型的数据； 步骤S12： 通过线性插值法或三次样条插值法对监测产生的缺失值和删除异常值后产 生的缺失值进行补全； 步骤S13： 对经过步骤S11和步骤S12处理后的历史水温和溶解氧的监测数据进行归一 化处理。 3.根据权利要求2所述的水质预测方法， 其特征在于， 所述步骤S13中归一化处理公式 如下： 其中， xi为第i个输入数据， xmin为输入数据中的最小值， xmax为输入数据中的最大值， n为 数据的总个数， f(xi)为归一化后数据。 4.根据权利要求1所述的水质预测方法， 其特征在于， 所述步骤S2中对预处理后的数据 进行融合的具体步骤如下： 步骤T1： 将同一时刻N个同类型传感器返回的数据平均划分为两组， 则每组为N/2个数 据； 步骤T2： 记步骤T1划分的两组数据分别为T1i和T2i， 计算T1i和T2i的算术平均值 为： 步骤T3： 计算标准差σ1和σ2为： 权　利　要　求　书 1/3 页 2 CN 114169638 A 2步骤T4： 利用如下公式完成数据融合： 5.根据权利要求1所述的水质预测方法， 其特征在于， 基于注意力机制的Bi ‑ directional GRU‑CNN模型的建立过程具体如下： 步骤A1： 传入水温T+和溶解氧含量D+的预测训练样本[T+， D+]， 引入注意力机制 Attention： 其中， Q为一个n ×dk的序列， 表示每个元素对应的查询query向量， Q＝[q1,q2,…,qn]T, 通过注意力机制将序列Q编码成为一个 n×dv的新序列； K和V表示 Key‑Value的关系， K＝[k1, k2,…,km]T， 表示每个元素对应的键Key向量， V＝[v1,v2,…,vm]T， 表示每个元素对应的值 Value向量； n表示query的数量， m表示采样点数量， dk和dv表示维度； 步骤A2： 在同一个序列的内部进行Attention运算， 寻找序列X内部不 同位置之间的联 系， 即Attention(X,X,X)； 步骤A3： 使用GRU结构对历史观测数据进行训练， 计算当前时刻的隐藏状态， 并通过更 新门来控制前一个隐藏状态传递到当前隐藏状态的信息量； 其中， 当前时刻的隐藏状态计 算公式为： 更新门的计算公式如下： zt＝σ(W2[ht‑1， T+ t]) 式中， 为候选状态， σ 为sigmoid函数， W2表示将2个矩阵合并， T+ t是当前时刻的输入， ht‑1是上一个时刻的隐藏状态， ht是当前时刻的隐藏状态； 步骤A4： 使用CNN的扩展卷积提取通用特征， 加入残差卷积的跳层连接， 把下层的特征 图跳层连接到上层， 加入1 ×1的卷积操作降维， 使两个层加和时特征图数量相同， 得到的基 于注意力机制的Bi ‑directional GRU‑CNN模型； 其中， 扩展卷积为 其中， d是扩展系数， k为卷积核大小， f表示filter滤波器大小， s表示stride步长， i表 示滤波器 个数， g为G的导数。 6.一种水质预测装置， 其特征在于， 该装置包括数据处理模块、 预测模型构建模块和训 练模块； 数据 处理模块对多传感器采集到的数据进行预处理和融合； 预测模型构建模块建权　利　要　求　书 2/3 页 3 CN 114169638 A 3